Análisis comparativo de herramientas de inteligencia artificial para el desarrollo de plataformas de diagnóstico por imágenes médicas de enfermedades respiratorias

Autores/as

DOI:

https://doi.org/10.61799/2216-0388.1819

Palabras clave:

Covid-19, Diagnóstico por imágenes médicas, Inteligencia artificial, Neumonía bacteriana, Tuberculosis

Resumen

Las enfermedades respiratorias por virus y bacterias, como COVID-19, neumonía bacteriana y tuberculosis representan una amenaza para la salud pública en general, especialmente en contextos donde el acceso a herramientas médicas de alta tecnología es limitado. En este sentido, la inteligencia artificial ha sobresalido como una herramienta clave para optimizar el diagnóstico por imágenes médicas, mejorando la precisión y reduciendo los tiempos de atención.El objetivo general de esta investigación fue identificar, caracterizar y comparar herramientas tecnológicas que faciliten el desarrollo de plataformas de diagnóstico de enfermedades respiratorias mediante la IA. Se utilizó una metodología de tipo descriptivo con enfoque cualitativo, estructurada en cuatro etapas: revisión documental, clasificación de herramientas, diseño de una matriz comparativa y evaluación cualitativa, generando una ruta crítica de selección.Los resultados permitieron identificar y priorizar herramientas como Python, TensorFlow, ChestX-ray8, ONNX, Pydicom, Flask/FastAPI, las cuales mostraron ventajas en términos de rendimiento, compatibilidad, escalabilidad y accesibilidad. Estas herramientas ofrecen una base sólida para el desarrollo de plataformas de diagnóstico automatizado, destacando especialmente en entornos clínicos con recursos limitados.Esta investigación aporta una guía validada y consecuente para la selección de herramientas tecnológicas en proyectos de soluciones médicas, contribuyendo al desarrollo de software de uso clínico robustos, escalables y éticamente responsables.

 

Descargas

Los datos de descarga aún no están disponibles.

Referencias

L. Pinto-Coelho, “How Artificial Intelligence Is Shaping Medical Imaging Technology:A Survey of Innovations and Applications,” Bioengineering, vol. 10, no. 12, p. 1435, 2023.[Online]. Available: https://doi.org/10.3390/bioengineering10121435

R. L. Cobeñas, M. de Vedia, J. Florez, D. Jaramillo, L. Ferrari, and R. Re, “Rendimientodiagnóstico de algoritmos de inteligencia artificial para detección de compromisopulmonar por COVID-19 basados en radiografía portátil,” Medicina Clínica, vol. 160,no. 2, pp. 78–81, 2023. [Online]. Available: https://doi.org/10.1016/j.medcli.2022.04.016

World Health Organization (WHO), “Pneumonia,” 2019. [Online]. Available: https://www.who.int/health-topics/pneumonia#tab=tab_1[4]ISO, “Aprendizaje profundo: los mecanismos de la magia,” [Online]. Available: https://www.iso.org/es/inteligencia-artificial/aprendizaje-profundo-deep-learning

P. Rajpurkar, J. Irvin, R. L. Ball, K. Zhu, B. Yang, H. Mehta, T. Duan, D. Ding, A. Bagul,C.P. Langlotz, B. N. Patel, K. W. Yeom, K. Shpanskaya, F. G. Blankenberg, J. Seekins,T. J. Amrhein, D. A. Mong, S. S. Halabi, E. J. Zucker, A. Y. Ng, and M. P. Lungren, “Deeplearning for chest radiograph diagnosis: A retrospective comparison of the CheXNeXtalgorithm to practicing radiologists,” PLoS Medicine, vol. 15, no. 11, pp. e1002686, 2018.[Online]. Available: https://doi.org/10.1371/journal.pmed.1002686

S. Jha and E. J. Topol, “Adapting to artificial intelligence: Radiologists and pathologistsas information specialists,” JAMA, vol. 316, no. 22, pp. 2353–2354, 2016. [Online].Available: https://doi.org/10.1001/jama.2016.17438

Daniel, “Convolutional Neural Network: definición y funcionamiento,” DataScientest,2023. [Online]. Available: https://datascientest.com/es/convolutional-neural-network-esReferencias

F. L. Saca, “Clasificación de imágenes usando redes neuronales convolucionales,”Proyecto terminal, Maestría en Ciencias de la Computación, Univ. AutónomaMetropolitana Azcapotzalco, México, 2019.

IONOS Cloud S.L.U., “Convolutional Neural Network: ¿qué es una red neuronalconvolucional (CNN)?,” IONOS Digital Guide, 2025. [Online]. Available: https://www.ionos.es/digitalguide/paginas-web/desarrollo-web/convolutional-neural-network/

E. H. Shortliffe and J. J. Cimino, Biomedical Informatics: Computer Applications inHealth Care and Biomedicine, 4th ed. London: Springer, 2014.

P. Jackson, Introduction to Expert Systems, 3rd ed. Reading, MA: Addison-Wesley,1986.

D. Candia and Y. Diaz, “Vista de caracterización tecnológica y funcional de lossistemas expertos,” Revista Mundo FESC, 2024. [Online]. Available: https://www.fesc.edu.co/Revistas/OJS/index.php/mundofesc/article/view/1612/1173

X. Wang, Y. Peng, L. Lu, Z. Lu, M. Bagheri, and R. M. Summers, “ChestX-ray8: Hospital-scale chest X-ray database and benchmarks on weakly-supervised classification andlocalization of common thorax diseases,” in Proc. IEEE Conf. Comput. Vis. PatternRecognit. (CVPR), 2017, pp. 3462–3471.

M. E. Silva Layes, M. A. Falappa, and G. Simari, “Sistemas de soporte a las decisionesclínicas,” in Proc. IV Congreso Argentino de Informática y Salud (CAIS) - JAIIO 42,2013. [Online]. Available: https://sedici.unlp.edu.ar/bitstream/handle/10915/93799/Documento_completo.pdf

V. Braun and V. Clarke, “Using thematic analysis in psychology,” QualitativeResearch in Psychology, vol. 3, no. 2, pp. 77–101, 2006. [Online]. Available: https://doi.org/10.1191/1478088706QP063OA

J. Bustos, “Método de apoyo para el diagnóstico en imágenes radiológicas deneumonía pediátrica mediante técnicas de inteligencia artificial,” Tesis de maestría,Univ. El Bosque, Bogotá, 2022. [Online]. Available: https://repositorio.unbosque.edu.co/items/f2a3f9d2-e273-4fdb-b6f3-8a0ab10ef163

M. Palacios and A. Tomalá, “Implementación de una aplicación web para elreconocimiento de patrones de diagnóstico del COVID-19 en rayos X mediante unared neuronal convolucional,” Tesis de grado, Univ. Técnica de Cotopaxi, La Maná, 2021.[Online]. Available: https://repositorio.utc.edu.ec/items/827ad8f1-ed2e-4e6f-b8d4-53c4c08a21b4

Y. Akhter, “AI-based radiodiagnosis using chest X-rays: A review,” Frontiers in Big Data, vol. 6, art. 1120989, 2023. [Online]. Available: https://www.frontiersin.org/journals/big-data/articles/10.3389/fdata.2023.1120989/ful

M. A. Sufian, W. Hamzi, T. Sharifi, S. Zaman, L. Alsadder, E. Lee, A. Hakim, and B.Hamzi, “AI-Driven Thoracic X-ray Diagnostics: Transformative Transfer Learning forClinical Validation in Pulmonary Radiography,” J. Pers. Med., vol. 14, no. 8, art. 856,2024. [Online]. Available: https://www.mdpi.com/2075-4426/14/8/856

Z. L. Han, et al., “A systematic review and meta-analysis of artificial intelligenceassisting the CXR diagnosis of TB,” J. Thorac. Dis., 2025. [Online]. Available: https://jtd.amegroups.org/article/view/100658/html

Descargas

Publicado

2025-01-01

Número

Vol. 15 Núm. 31 (2025)

Sección

Artículo Originales

Licencia

Derechos de autor 2025 Mundo FESC Journal

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.

Cómo citar

[1]
Candia Herrera, D.C. et al. 2025. Análisis comparativo de herramientas de inteligencia artificial para el desarrollo de plataformas de diagnóstico por imágenes médicas de enfermedades respiratorias. Mundo FESC. 15, 31 (Jan. 2025), 27–48. DOI:https://doi.org/10.61799/2216-0388.1819.